1、 敬请参阅末页重要声明及评级说明 证券研究报告 高点锚定效应高点锚定效应和跨公司和跨公司收益收益预测预测 “学海拾珠”“学海拾珠”系列之系列之七十三七十三 报告日期：2021-12-20 Table_Author 分析师：严佳炜分析师：严佳炜 执业证书号：S00 邮箱： 联系人：联系人：吴正宇吴正宇 执业证书号：S00 邮箱： Table_CompanyReport 相关报告相关报告 1. 基于分析师目标价格及相对估值 的策略“学海拾珠”系列之六十 五 2. 基金流动性不足会加剧资产价格 的脆弱性吗？“学海拾珠”系列之 六十六 3. 财务受限，货币政
2、策冲击和股票 横截面收益之间的关系“学海拾 珠”系列之六十七 4. 基金组合如何配置权重：能力平 价模型“学海拾珠”系列之六十 八 5. 持仓技术相似性与共同基金业绩 “学海拾珠”系列之六十九 6. 双重调整法下的基金业绩评价 “学海拾珠”系列之七十 7. 企业员工流动对股票收益的影响 “学海拾珠”系列之七十一 8. 贝叶斯动态面板模型下的基金业 绩持续性“学海拾珠”系列之七十 二 主要观点： 主要观点： Table_Summary 本篇是“学海拾珠”系列第七十三篇，本期推荐的海外文献研究投资投资 者高点锚定效应者高点锚定效应和跨公司收益可预测性和跨公司收益可预测性。 作者的研究为市场对企业的
3、经济 关联公司的新闻反应不足这一现象提供了一种新颖的心理学解释。 作者假 设，当企业股价接近（远离）过去 52 周高点时，52 周高点效应会导致投 资者对其经济关联公司的好（坏）消息反应不足。回到 A 股市场，52 周 高点是一个经典的动量类因子，然而在 A 股市场中有效性较差，那么如 何围绕一家企业的关联公司构建关联动量则是对当前 A 股市场“动量效 应不足”的一个新颖的补充视角。 52 周高点是一种周高点是一种投资者的投资者的心理障碍，导致投资者对心理障碍，导致投资者对企业企业经济关联公司经济关联公司 的消息反应不足的消息反应不足 作者进一步将股票收益的可预测性分解为客户客户公司的公司的动
4、量效应动量效应、52 周周高点高点效应以及客户动量与效应以及客户动量与 52 周高点之间的交互效应周高点之间的交互效应。作者发现交互作 用显著为正；然而，在纳入交互效应后，客户动量效应变得微不足道。此 外，收益分解的结果表明，52 周高点效应很大程度上解释了投资者对客 户上海品茶反应不足的原因。 52 周的高周的高点点效应导致分析师对客户效应导致分析师对客户公司公司的的股票收益反应不足股票收益反应不足 作者研究了 52 周高点效应如何影响分析师推荐评级的变更，并如何 导致其对客户公司的新闻反应不足。 作者利用分析师推荐评级的修改作为 评级更新的代理变量， 并为这种经济机制提供了直接证据， 最终
5、得出结论： 该现象不是由于投资者不是由于投资者的的注意力注意力不足不足所致所致，而是与高点锚定效应有关，而是与高点锚定效应有关。 跨公司跨公司的的收益收益可预测性取决于可预测性取决于其其相对相对过去过去 52 周周股价股价高位的接近程度高位的接近程度 最后， 作者展开了扩展性研究， 得出当供应商和客户的股票价格均接 近（远离）52 周高点时，会存在额外的交互效应，导致投资者对客户公 司的好（坏）消息反应不足现象更加严重。此外，高点锚定效应可解释大 部分关联动量的代理指标。 风险提示风险提示 本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。 Table_StockNameRptTyp
6、e 金融工程金融工程 专题报告 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 2 / 22 证券研究报告 正文目录正文目录 1 简介简介 . 4 2 数据数据 . 6 3 投资组合分析投资组合分析 . 7 3.1 投资组合特征投资组合特征 . 7 3.2 投资组合收益投资组合收益 . 8 4 收益分解收益分解 . 10 4.1 收益分解的方法收益分解的方法 . 10 4.2 收益分解的结果收益分解的结果 . 12 4.3 使用临界值对股票进行分组使用临界值对股票进行分组 . 13 4.4 供应商信息环境下的子样本收益分解供应商信息环境下的子样本收益分
7、解 . 14 4.5 稳健性检查和结果稳健性检查和结果 . 14 5 经济机制测试经济机制测试 . 15 5.1. 来自分析师修改推荐的证据来自分析师修改推荐的证据 . 16 5.2 投资者关注度和投资者关注度和 52 周高点接近程度周高点接近程度 . 17 6 拓展性研究拓展性研究 . 18 6.1 客户股价与客户股价与 52 周高位接近程度的关系周高位接近程度的关系 . 18 6.2 其他因子的收益分解其他因子的收益分解 . 19 7 结论结论 . 20 风险提示：风险提示： . 21 qRqOmOqOsOwOoMnOvMzRwP8OcM7NoMpPoMrQeRoPoMjMmOmN9PnM
8、qQNZqRwPMYqMnM Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 3 / 22 证券研究报告 图表目录图表目录 图表图表 1 投资组合特征投资组合特征 . 8 图表图表 2 投资组合收益投资组合收益 . 9 图表图表 3 供应商公司的累积供应商公司的累积 FFC4 ALPHA . 10 图表图表 4 收益分解规范收益分解规范 . 11 图表图表 5 收益分解结果收益分解结果 . 12 图表图表 6 PRC5 PRC1 分布在不同的分布在不同的 CR 五分位数中五分位数中 . 13 图表图表 7 收益分解：与收益分解：与 52 周高点的绝对距
9、离周高点的绝对距离 . 13 图表图表 8 收益分解：信息环境下的子样本收益分解：信息环境下的子样本 . 14 图表图表 9 收益分解的稳健性测试收益分解的稳健性测试 . 15 图表图表 10 交易量排序的投资组合的平均股票特征交易量排序的投资组合的平均股票特征 . 16 图表图表 11 高点效应与股票异常交易量高点效应与股票异常交易量 . 17 图表图表 12 根据客户的根据客户的 PRC 进行收益分解。进行收益分解。 . 18 图表图表 13 根据其他关联动量因子进行收益分解。根据其他关联动量因子进行收益分解。 . 20 Table_CommonRptType 金融工程金融工程 敬请参阅末
10、页重要声明及评级说明 4 / 22 证券研究报告 1 简介简介 企业以各种形式在经济上相互联系，例如客户和供应商、身处共同经济区或身 处同一行业。越来越多的文献表明，一家公司的股价对经济关联公司有关的新闻反 应缓慢(e.g., Cohen and Frazzini, 2008; Cohen and Lou, 2012; Parsons et al., 2020)。 这种滞后的价格反应现象暗示了市场的低效率。研究为什么股票价格会根据有关经 济关联公司的消息缓慢调整，有助于揭示这种市场低效率发生的潜在机制。现有研 究认为，投资者的注意力不足可能是造成这种市场反应不足的主要原因。作者提出 了一种新的
11、心理上的解释，即锚定在即锚定在 52 周高点周高点的心理障碍（以下称为的心理障碍（以下称为 52 周高点周高点效效 应）会导致价格对有关经济关联公司的消息的延迟反应应）会导致价格对有关经济关联公司的消息的延迟反应。 直觉而言，在没有 52 周高点位效应的情况下，投资者可以及时更新他们对公司 基本面的看法，对有关经济关联公司的消息及时做出反应。然而，锚定在 52 周高点 的影响扭曲了观点更新的过程。这种扭曲反过来又会导致对有经济关联公司的公共 信息反应不足。例如，对于价格接近 52 周高点的股票，从锚定投资者的角度来看， 价格的上涨趋势以 52 周高点为界。因此，当有关经济关联公司的利好消息到来
12、时， 这些投资者并没有完全向上调整他们的看法， 从而对利好消息反应缓慢。 同样， 对于 价格远低于 52 周高点的股票，这些投资者对有关经济关联公司的坏消息反应缓慢。 作者的论点与 George and Hwang (2004) 和 Birru (2015) 一致，他们表明接 近 52 周高点（当前股价与 52 周高点的比率，PRC）能预测未来的股票收益和预期 外收益。他们认为，由于锚定效应，投资者没有将公司的信息完全纳入他们的看法 中。 本着类似的规律， 作者作者认为认为 52 周高点周高点效效应导致市场对有关经济关联公司的公开应导致市场对有关经济关联公司的公开 信息反应不足。信息反应不足。
13、因此，作者提出作者的主要假设：当一家公司的经济关联公司有好当一家公司的经济关联公司有好 （坏）消息，并且其股价接近（远离）（坏）消息，并且其股价接近（远离）52 周高点时，它对经济关联公司的好（坏）周高点时，它对经济关联公司的好（坏） 消息反应不足。消息反应不足。作者通过关注客户供应商链接的实证因子（Cohen 和 Frazzini， 2008 年）以及其他因子（例如，地理动量和行业动量）来检验作者的假设。 作者从投资组合排序开始实证测试。在每个月，作者首先根据上个月的客户收 益 (CR) 和上个月月底的 52 周高点比率 (PRC) 的接近程度， 独立地将供应商公司 分为 5 5 的投资组合
14、，投资组合持有一个月。与 Cohen 和 Frazzini (2008) 一致， 供应商的投资组合收益随着客户收益的增加而增加。更重要的是，作者发现接近 52 周高点对客户的收益可预测性起着重要作用。 例如， 在客户收益的前五分之一 （CR5 投资组合）中，同样在接近 52 周高点（PRC5 投资组合）的前五分之一的股票获得 平均 Fama-French-Carhart (1997) 四因子 alpha (FFC4 alpha) 为每月 0.71%（t 统计量 = 4.56） 。同时，在接近 52 周高点（PRC1 投资组合）的空头五分之一的股 票每月赚取的平均 FFC4 alpha 为 -0
15、.08%（t 统计量 = -0.35） 。 收益差异也很显著 （t 统计量 = 2.85） 。 同样，在客户收益的底部五分之一（CR1 投资组合）中，同样在接近 52 周高 点（PRC1 投资组合）的底部五分之一的股票每月获得 -0.97% 的 FFC4 alpha（t 统计量 = -4.63） 。与此同时，在接近 52 周高点（PRC5 投资组合）的前五分之一的 股票的 FFC4 alpha 为每月 0.02%（t 统计量 = 0.12） 。收益差异显著（t-statistic = 3.76） 。这些结果与作者的假设一致，即供应商公司的投资者只有在股价接近（远即供应商公司的投资者只有在股价接
16、近（远 离）离）52 周高点时才会对客户公司的好（坏）消息反应不足。周高点时才会对客户公司的好（坏）消息反应不足。 投资组合双重排序中的一个自然问题是两个排序变量可能高度相关。作者的因 子在很大程度上不受此问题的影响，因为作者的两个排序变量（CR 和 PRC）之间 的相关性仅为相关性仅为 0.05。此外，虽然顶部和底部客户收益五分位数内的 52 周高点收益 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 5 / 22 证券研究报告 价差（PRC5 和 PRC1 投资组合之间的收益价差）很大，但中间客户收益五分位数 的收益价差很小且不显著。这一发现表明，
17、头头部部/底部客户底部客户收益收益五分位数内的五分位数内的 52 周周 高点高点收益收益差并不仅仅由接近差并不仅仅由接近 52 周高点周高点本身驱动。本身驱动。 否则， 作者还应该观察到中等客户 收益五分位数的同样大的 52 周高点收益差。 为了更好地阐明接近 52 周高点的经济意义， 作者遵循 George (2017)等人的观 点。 并执行 Fama-MacBeth 横截面回归以分解双排序投资组合中的收益。 具体来说， 作者将投资组合收益分解为纯客户动量效应、纯 52 周高点效应以及客户动量与 52 周高点效应之间的交互效应（收益分解） 。从本质上讲，交互效应衡量的是 52 周高 点效应在
18、多大程度上引起了客户动量。作者发现交互作用显著为正，FFC4 alpha 为 每月 1.44%（t 统计量 = 2.72） 。 此外，在包括交互效应后，纯客户动量效应变得 微不足道，FFC4 alpha 为每月 0.06%（t 统计量 = 0.21） 。相比之下，在不考虑交 互效应的情况下，仅客户动量效应就很显著，FFC4 alpha 为 0.54%（t 统计量 = 4.63） 。 这个收益分解结果表明，52 周高点效应可以在很大程度上解释投资者对客 户上海品茶的反应不足。 作者遵循文献（George 和 Hwang，2004；George 等人，2018；Hou 等人， 2020）并根据 P
19、RC 每月的五分位点将股票分组。从这个意义上说，相对于同月内的 所有其他股票，股票被分配到接近（远离）52 周高点的组中。一个潜在的担忧是， 有时 PRC 前五分之一的股票可能仍不太接近其实际 52 周高点，或者 PRC 底部五 分之一的股票离其实际 52 周高点仍不远。如果是这种情况，在概念上很难将作者的 主要发现归因于 52 周高点效应。作者通过显示 (i) 使用与 52 周高点/低点的绝对距 离（例如，距 52 周高点/低点范围的 5% 距离）或使用时间不变的结果来解决这一 问题将 PRC 的临界值（例如，PRC 的完整样本第 20/80 百分位值）划分为一组股 票，(ii) 在最高（底
20、部） PRC 五分位数拥有更多接近 （远离） 52 周的高价， 以及 (iii) 在高（低）市场收益之后的几个月里，对好（坏）消息的反应不足。 作者进行了一些额外的分析来证实作者的主要发现。首先，客户动量和 52 周高 点效应之间的交互效应在公司规模较小、机构所有权较低、分析师覆盖率较低和特 质波动性较高的供应商股票中更强，这与市场套利限制在无效市场中的作用一致。 其次，结果对于使用特征调整后的收益是稳健的，调整了 Fama 和 French(2015)的 五因子或 Q 因子，但不包括 1 月。 为了更好地确定潜在的经济机制， 作者研究了 52 周高点效应如何在分析师建议 的背景下扭曲推荐评级
21、更新过程， 其中可以直接观察决策者的行为。 作者发现， 虽然 分析师更有可能升级（降级）客户收益较高（较低）的供应商公司，但当供应商公司 的股价接近（远离）52 周高点时，这种敏感性就会降低。这些结果表明分析师确实分析师确实 关注客户股票关注客户股票收益收益；然而，分析师的；然而，分析师的推荐评级推荐评级更新过程被更新过程被 52 周高点周高点位效应扭曲位效应扭曲。 作者还发现， 作者的主要结果并不是由于缺乏投资者关注所驱动的。 也就是说， 当股票价格接近或远离 52 周高点时，投资者的注意力会增加而不是减少，这是基于 两个注意力指标： 异常交易量 （Huddart， 2009） 和彭博搜索量
22、 （BenRephael， 2017） 。 最后，作者在两个维度上扩展了作者的研究。首先，作者发现，当供应商和客户当供应商和客户 的股票价格接近（远离）其的股票价格接近（远离）其 52 周高点周高点位时，对客户公司的好（坏）消息的反应就会位时，对客户公司的好（坏）消息的反应就会 更弱。更弱。 其次， 作者发现 52 周高点周高点效应至少可以部分解释其他环境下的跨公司效应至少可以部分解释其他环境下的跨公司收益收益可可 预测性， 包括地理动量 （预测性， 包括地理动量 （Parsons 等人，等人， 2020） 、 行业动量 （） 、 行业动量 （Moskowitz and Grinblatt，
23、1999） 、复杂公司（） 、复杂公司（Cohen 和和 Lou，2012） ，以及国外行业信息（） ，以及国外行业信息（Huang，2015） 。） 。 作者为市场对有关经济关联公司的新闻反应不足提供了一种新的心理解释。现 有研究（例如 Cohen 和 Frazzini，2008；Parsons 等，2020；Cohen 和 Lou， Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 6 / 22 证券研究报告 2012；Huang，2015）主要认为投资者注意力不集中是市场反应不足的经济机制。 作者通过提供证据表明 52 周高点效应高值会导致投资者和
24、分析师对有关经济关联 公司的消息反应不足，从而对这些研究进行了补充。 作者的论文还补充了 Ali 和 Hirshleifer （2020） ， 他们认为分析师倾向于涵盖经 济相关的公司；因此，分析师共同的覆盖范围比现有研究更好地捕捉了公司之间的 经济联系（例如，客户供应商联系） 。作者的论文与他们的不同之处在于他们确定 了经济联系的统一衡量标准，而作者为市场对有关经济联系公司的新闻反应不足提 供了统一和新颖的心理解释。 作者还添加了有关 52 周高点的文献， 表明当投资者和分析师根据有关经济关联 公司的新闻更新他们的看法时，52 周高点效应是一种心理障碍。更密切相关的论文 是 （Birru，2
25、015 和 George 等人，2017） ，他们都发现 52 周高点效应导致市场对 公司收益公告的反应不足。作者的论文与他们的不同之处在于，他们主要研究投资 者对公司自身盈利消息的反应不足，而作者关注的是对有关经济关联公司的消息的 反应不足。 2 数据数据 在客户动量因子中，作者的样本包括 1981 年 1 月至 2018 年 12 月在纽约 证券交易所、美国证券交易所和纳斯达克交易的供应商公司。为了构建客户-供应商 联系， 作者遵循 Cohen 和 Frazzini （2008） 并从 Compustat 客户细分文件中提取 公司的主要客户，然后确定公开交易的客户公司。 此外，作者在客户供
26、应商链接的开始日期和股票收益之间设置了六个月的间 隔，以确保有关每个公司客户的信息是公开的。作者还排除了在投资组合形成日股 价低于 5 美元的股票，以缓解低价股的流动性问题。股票收益和价格来自证券价格 研究中心 (CRSP) 数据库，财务数据来自 Compustat。 为了衡量 52 周高点效应的程度，作者计算每个月末与 52 周高点的接近程度为 在该月结束的 12 个月期间，月末收盘价与每日最高收盘价的比率。价格根据股票 拆分和股息进行调整。作者对 52 周高点接近程度的衡量遵循了先前的研究，例如 George 和 Hwang，2004。为了衡量有关客户公司的新闻，对于每个月的每个供应 商公
27、司，作者将其客户收益计算为其客户公司在该月的等权收益。 作者从 1993 年 11 月至 2018 年 12 月的机构经纪人估计系统 (I/B/E/S) 详细推荐文件中获取分析师推荐评级数据。作者将修改推荐计算为当前推荐水平减 去同一分析师最近发布的有效推荐对于同一家公司。 作者将推荐级别代码从 I/B/E/S 反转，这样 1 代表最不推荐，5 代表最推荐。假设推荐在其发布后的 12 个月内有 效。升级（降级）定义为推荐级别的正（负）变化；重复定义为推荐级别没有变化。 作者还在其他四个因子下测试了作者的 52 周高点假设。第一个是地理动量 （Parsons 等， 2020） 。 作者根据 Co
28、mpustat 数据库中总部的邮政编码确定公司的 位置。然后根据经济分析局定义的经济区域对总部地点进行分组。共同经济区内的 企业被定义为地理上相关联的企业。作者将每个公司在每个月的区域收益计算为总 部位于同一经济区域的其他公司在该月的等权收益。样本期为 1970 年 1 月至 2018 年 12 月。 第二个背景是行业动量（Moskowitz 和 Grinblatt，1999） 。作者根据 Fama- French 48-industry 分类法将公司分为不同的行业。 对于每家公司， 作者将其行业收 益计算为过去六个月其行业同行的等权重投资组合的平均月度收益。 样本期为 1980 年 1 月至
29、 2018 年 12 月。 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 7 / 22 证券研究报告 第三个背景是关于业务复杂的公司 （Cohen 和 Lou， 2012） 。 作者从 Compustat 细分文件中提取公司的细分信息。 公司的行业分类基于两位数的标准行业分类 (SIC) 代码。 独立公司是指在一个行业中经营的公司， 其部门销售额占总销售额的 80% 以 上。企业集团是指在一个以上行业经营且分部销售额占公司总销售额 80%以上的企 业。对于综合企业的每个部门，作者使用相应行业的独立公司（伪综合企业投资组 合）形成其行业部门的市值加权投
30、资组合。然后，每个月，作者计算综合企业收益作 为该月公司综合企业投资组合的收入加权收益。样本期为 1977 年 7 月至 2018 年 12 月。 第四个因子是国外行业信息。美国跨国公司的股票收益可以通过跨国公司经营 所在国家的行业收益来预测（Huang，2015） 。作者从 Compustat 细分文件中获取 公司的地理细分信息，并从 Datastream 全球股票行业指数中获取外国行业收益。 作者将每个美国跨国公司的外国行业信息计算为外国相应行业收益的销售额加权总 和。样本期为 1978 年 1 月至 2018 年 12 月。 3 投资组合分析投资组合分析 作者将客户动量（Cohen 和
31、Frazzini，2008）作为主要的实证背景。作者通过 对供应商公司的客户收益和与 52 周高点的接近程度进行双重排序来开始作者的分 析。为了确保作者的双重排序方法是有效的，作者首先表明两个排序变量在很大程 度上是不相关的。 然后， 作者检查双排序投资组合的横截面收益规律， 并展示客户收 益的收益可预测性如何取决于与 52 周高点的接近程度。 3.1 投资组合特征投资组合特征 作者形成如下双重排序的投资组合。在每个月，作者根据上个月的客户收益 (CR) 或上月末与 52 周高点 (PRC) 的接近程度，独立地将供应商公司分类为五分 之一的投资组合，从而产生 25 个双重排序的投资组合。投资组
32、合持有一个月。 图表 1 的面板 A 和 B 报告了每个投资组合的平均 CR 和平均 PRC。PRC1 (CR1) 表示最低的 PRC (CR) 五分之一，而 PRC5 (CR5) 表示最高的 PRC (CR) 五分之一。图 A 显示在每个 CR 五分位数内，平均 CR 在不同的 PRC 五分位数 之间几乎没有变化。例如，在 CR5 五分位数内，PRC1 投资组合中股票的平均 CR 为每月 11.67%，而 PRC5 投资组合中股票的平均 CR 为 11.36%。同样，图 B 显 示，在每个 PRC 五分位数内，不同 CR 五分位数的平均 PRC 差别不大。图 C 显 示两个排序变量 CR 和
33、 PRC 之间的相关性仅为 0.05。总之，图表 1 中显示的投 资组合特征在很大程度上减轻了人们的担忧，即按 PRC 分类可能等同于按 CR 进 一步分类。 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 8 / 22 证券研究报告 3.2 投资组合投资组合收益收益 在本节中，作者分析了按 CR 和 PRC 分类的 25 家供应商公司投资组合的横 截面收益模式。对于每个投资组合，作者计算平均每月等权重收益并在图表 2 中报 告。面板 A、B 和 C 报告平均每月 CAPM alpha、Fama 和 French (1993) 三因 子 alpha (
34、FFC3 alpha)，和 Fama-French-Carhart (1997) 四因子 alpha (FFC4 alpha)。在以下讨论中，作者将重点关注 FFC4 alpha（面板 C） 。需要注意的第一 个规律是投资组合的收益随着每个 PRC 五分之一的 CR 排名而增加。这种规律与 Cohen 和 Frazzini (2008) 的主要发现一致，即客户收益 (CR) 可以正向预测下个 月的供应商股票收益。 更重要的是，在 CR1 或 CR5 的五分位数中，投资组合的收益随着 PRC 排名 的增加而增加。也就是说，在 CR5 五分位数内，CR5PRC5 投资组合（CR 和 PRC 排名最
35、高的投资组合）每月获得 0.71%（t 统计量 = 4.56）的正且显著的 FFC4 alpha，而 CR5PRC1 投资组合每月仅获得 -0.08% 的 FFC4 alpha（t 统 计量 = -0.35） 。 PRC5 和 PRC1 投资组合（由表中的 PRC5-PRC1 表示）之间的 收益差是显著的（t 统计量= 2.85） 。 这一结果表明，只有当供应商股票价格接近 52 周高点时，高客户收益才能预测 高供应商股票收益。类似地，在 CR1 五分位数内，CR1PRC1 投资组合每月获得 负且显著的 FFC4 alpha 为 -0.97% (t-statistic = -4.63)，而 C
36、R1PRC5 投资组合 每月获得 0.02% 的 FFC4 alpha（tstatistic = 0.12） 。 PRC5 和 PRC1 投资组合之 间的收益差异很大（t 统计量= 3.76） 。这一结果表明，只有当供应商股票价格远离 52 周高点时，低客户收益才能预测低供应商股票收益。 图表图表 1 投资组合特征投资组合特征 资料来源：华安证券研究所整理 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 9 / 22 证券研究报告 作者对接近 52 周高点的定义严格遵循有关 52 周高点的文献（例如，George 和 Huang，2004；George
37、 等，2017；Li 和 Yu，2012；Baker 等，2012） 。此外， 作者遵循 52 周高点的横截面资产定价文献（例如，George 和 Huang，2004 年； George 等人，2018 年；Hou 等人，2020 年）并使用 PRC 的月度五分位点对股 票进行分组。从这个意义上说，相对于同月内的所有其他股票，股票被分配到接近 （远离）52 周高点的组。这种投资组合排序在资产定价测试中有几个优点。首先， 在对股票进行分组时使用月度五分位点可以减轻使用任意截点的担忧。其次，52 周 高点效应可能随时间变化， 这可能会改变不同时期股票分组的截点。 第三， 这种投资 组合排序方法可
38、以确保每个投资组合拥有相同数量的股票，这使得不同投资组合的 统计测试具有可比性。 然而，使用每月 PRC 五分位数排名进行投资组合排序的一个潜在问题是，有时 PRC 前五分之一的股票仍不太接近其实际 52 周高点， 或者 PRC 五分之一中的股票 仍不接近实际 52 周高点并相去甚远。如果是这种情况，在概念上很难将作者的主要 发现归因于 52 周高点效应。为了解决这个问题，作者根据市场收益的高低进行了子 样本分析。要点是，在高（低）市场收益之后的几个月里，PRC 最高（最低）五分 之一的股票应该更接近（远离）其 52 周高点。因此，作者预计在高（低）市场收益 之后的几个月内，对客户的好（坏）消
39、息反应会更强烈。 另一个潜在的担忧是， 作者的主要发现纯粹是由接近 52 周高点本身的收益可预 图表图表 2 投资组合收益投资组合收益 资料来源：华安证券研究所整理 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 10 / 22 证券研究报告 测性驱动的（George 和 Hwang，2004 年） 。为了解决这个问题，作者比较了不同 CR 五分位数的 PRC5-PRC1 收益差。 图表 2 显示了 PRC5-PRC1 收益率差与 CR 排名之间的明显 U 型关系。与 CR5 和 CR1 的五分位数相比，在 CR3 的五分位 数中， 作者发现 PRC5
40、-PRC1 的收益率差微不足道， FFC4 alpha 为每月 0.37% （t 统计量 = 1.29） 。这一结果表明， CR5 和 CR1 五分位数的 PRC5-PRC1 收益率差 并非纯粹是由于投资者对接近 52 周高点所捕捉到的信息反应不足。 总体而言，图表 2 中的结果与作者的假设一致，即只有当供应商股价接近（远 离）52 周高点时，投资者才会对客户公司的好（坏）消息反应不足。 4 收益分解收益分解 在本节中，作者遵循 George 等人（2017)的研究方法并使用 Fama-MacBeth 回归将双排序投资组合的收益分解为客户动量的纯效应、 52 周高点的纯效应及其交 互效应。作者
41、称这种方法为收益分解。收益分解可以揭示接近 52 周高点是否至少部 分解释了客户动量。本质上，当供应商股票价格接近（远离）52 周高点时，交互效 应反映了市场对客户股票的好（坏）消息反应不足的程度。 4.1 收益分解的方法收益分解的方法 如图表 2 所示， 25 个投资组合的横截面收益规律很大程度上取决于 CR 五分 位数排名、PRC 五分位数排名，以及 CR 与 PRC 同时具有高或低的巧合。这种规 律促使作者将 25 个投资组合中股票的收益分解为四个组成部分。第一个是基准组 件， 它与 CR 或 PRC 排名无关。 第二个是纯客户动量分量， 它仅与 CR 排名相关。 第三个是 52 周高点
42、效应成分，纯粹与 PRC 排名相关。最后一个是归因于同时具有 高 CR 和 PRC 或同时具有低 CR 和 PRC 的交互成分。 图表 4 的面板 A 显示了按 CR 和 PRC 排序的每个 5 5 投资组合中股票 收益的组成部分。 PRC1 (CR1) 表示最低的 PRC (CR) 五分之一，而 PRC5 (CR5) 表示最高的PRC (CR) 五分之一。 由于假定52周高点效应仅存在于两个极端的PRC 五分之一，作者将 PRC2/PRC3/PRC4 五分之一合并为一组（在图表 4 中用 PRC24 表示） 。特定投资组合中所有成分的总和等于该投资组合的平均股票收益。 位于表中央的投资组合（
43、CR3 排名和 PRC24 排名）对客户动量和 52 周高点效 图表图表 3 供应商公司的累积供应商公司的累积 FFC4 alpha 资料来源：华安证券研究所整理 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 11 / 22 证券研究报告 应是中性的；因此，它作为基准投资组合。从这个意义上说，基准投资组合中的平均 股票收益代表了基准成分，用 表示。 由 E 表示的纯客户动量分量是仅与 CR 排名相关的股票收益分量。特定 CR 五分位数中的所有股票都有一个共同的客户动量成分，独立于其 PRC 排名。直观地 说， 无论供应商是否接近供应商是否接近 52
44、周高点， 纯客户动量分量都反映了滞后客户周高点， 纯客户动量分量都反映了滞后客户收益收益对供应对供应 商商股票股票收益收益的的收益收益可预测性可预测性。由于更高的客户收益预示着更高的未来供应商股票收 益，纯客户动量分量从 CR1 五分位数增加到 CR5 五分位数。作者使用表示最 负的纯客户动量分量（在 CR1 五分位数中） ，并使用表示最正的客户动量分量 （在 CR5 五分位数中） 。下标 bb (gg)代表极坏 (好) 经济相关新闻，而下标 b(g)代 表中度坏 (好) 经济相关新闻。 最后， 作者将纯客户动量效应定义为 ，这符 合多空策略，该策略仅利用滞后客户收益本身的收益可预测性。 纯
45、52 周高点影响部分，用 A 表示，是仅与 PRC 排名相关的股票收益。特定 PRC 层级的所有股票都具有共同的纯 52 周高点效应成分，这与 CR 排名无关。纯 52 周高点效应成分对 PRC 1 分位数的股票为负，对 PRC 5 分位数的股票为正。作 者用表示负的纯 52 周高点效应成分，作者用表示正的纯 52 周高点效应成分。 作者将纯粹的 52 周高点效应定义为 ， 这与仅利用接近 52 周高点本身的收益 可预测性的多空策略一致。 交互成分， 用表示， 除了仅与 CR 相关的影响外，还可以归因于客户公司的好 （坏）消息和公司自己的股价接近（远离）52 周高点的收益或 PRC。由于客户的
46、中 等好消息（如 CR4 五分位数）和高 PRC 可能会产生交互效应，但幅度很小，作者 在下面的分析中重点关注极端 CR 和 PRC 五分位数的交互效应.作者用,表示 CR5 五分位数和 PRC5 五分位数交叉处的股票之间的相互作用分量， 并用,表示 CR1 和 PRC1 五分位数交叉处的股票之间的相互作用分量。然后作者将交互作用 定义为, ,。 为了解释纯客户动量效应、 纯 52 周高点效应和交互效应， 考虑买入 CR5-PRC5 投资组合并卖出 CR1-PRC1 投资组合的多空策略。作者可以将多空收益分解为纯 客户动量效应 ( )、 纯52周高点效应 ( ) 和交互效应 (, ,） 。 如
47、果同时具有高（低）CR 和高（低）PRC 不会产生任何额外的收益效应，那么这 种多空收益完全归因于纯客户动量效应和纯 52 周高点效应；因此，在作者的收益分 解中定义的交互作用将为零。相反，如果高（低）客户收益的收益可预测性取决于股 价接近（或远离）52 周高点，那么交互效应将显著为正。交互效应主要衡量由 52 周高点效应引起的客户动量的程度。 为了帮助理解接近 52 周高点在多大程度上解释了客户收益的收益可预测性， 作 者通过排除交互部分来进一步进行收益分解。在这个收益分解中，客户动量效应定 义为 ，52 周高点效应定义为 。 为了估计分解的股票收益，作者对一组虚拟变量使用个股收益的 Fam
48、a- 图表图表 4 收益分解规范收益分解规范 资料来源：华安证券研究所整理 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 12 / 22 证券研究报告 MacBeth 横截面回归， 这些虚拟变量表示每个月股票的PRC和 CR 投资组合分配。 纯客户动量效应、 纯 52 周高点效应和每个月的交互效应的估计基于横截面回归中的 系数估计。最后，作者计算纯客户动量效应、纯 52 周高点效应和交互效应的时间序 列平均值。为了调整风险因素，在作者计算了纯客户动量效应、纯 52 周高点效应和 交互效应的月度系数估计值后，作者对风险因素（例如 Fama-French
49、-Carhart 四个 因素）来计算 alpha。在所有收益分解结果中，t 统计量是根据标准误差计算的， Newey-West 校正为 12 个月滞后。 4.2 收益分解的结果收益分解的结果 图表 5 报告了收益分解结果。如图 A 所示，交互作用产生的 FFC4 alpha 为 每月 1.44%， t 统计量为 2.72； 交互效应的 CAPM 和 FF3 alpha 分别为每月 1.59% (tstatistic = 3.47) 和 1.57% (t-statistic = 2.98)。正向且显著的交互效应表明，客户 收益的收益可预测性的比重取决于供应商的股票价格是否接近或远离 52 周高点
50、。 作者还发现，当包括交互效应时，纯客户动量效应的 alpha 接近于零（例如， FFC4 alpha 为 0.06%） 。相比之下，如面板 B 所示，在没有交互效应的情况下， 纯客户动量效应是正向且显著的，FFC4 alpha 为每月 0.54%（t 统计量 = 4.63） 。 面板 A 和 B 之间的对比表明， 只有当供应商股票价格接近 （远离） 52 周高点时， 高（低）客户收益才能预测供应商未来的高（低）收益。这些结果表明，52 周高点 效应导致投资者对客户收益反应不足，这在很大程度上解释了客户动量现象。 作者还使用本节中的收益估计来绘制图表 6 中整个 CR 五分位数的 PRC5-
sgpjbg002
工作日 8:30 - 17:30
会员动态：
报告分类
新质生产力
ChatGPT
新能源汽车
大模型
Sora
机器人
微短剧
芯片
薪酬
白皮书
低空经济
数据要素
创新药
人工智能
AI产业
信息科技
互联网
消费经济
汽车交通
电商零售
传媒娱乐
医药健康
投资金融
能源环境
地产建筑
传统产业
英文报告
其它
扫码登录
手机快捷登录
账号登录
